非接触式体征监测及智能移动终端算法的实现

非接触式体征监测及智能移动终端算法的实现王曦泽;胡巍;王云峰;张海英【摘要】为研究非接触式的，可实时监测人体呼吸、心跳等生命体征信息的便携式装置，本文设计并实现了一套卡片式雷达体征监测系统。方法该系统根据多普勒雷达原理获得人体微动信息，利用蓝牙将经过预处理的信号发送至智能移动终端，最终采用高效算法在Android平台上进行信号处理、生命体征信号提取与实时显示。结果对受试者做两种状态下的监测，实验所得数据均值与常规方法测得的体征参数相比无显著性差异(呼吸、心跳均值的准确度分别为93.75%和97.33%)。该系统能够获取呼吸、心跳信息，并准确进行算法处理与显示。结论该便携式监测系统能够非接触式地监测单个人体目标的呼吸、心跳等生命体征信号，为健康监护领域的心肺活动监测提供小型化、便携式的解决方案。%ObjectiveInordertostudyontheportableunitthatcannon-contactmonitorvitalsignssuchasrespirationandheartbeatinreal-time,acard-sizedradarlifedetectorisdesignedandrealized.MethodsAcquiringmicromovementsignalbasedonDopplerradarprinciples,thesystemtransmitssignalsthathavebeenpreprocessedviaBluetoothtosmartmobileterminal.Efficientalgorithmisadoptedtoprocessandextractthevitalsignsanddisplaystheresultsreal-timelyonAndroidplatform.ResultsMonitoringthesubjectundertwoconditions,thereisnosignificantdifferencebetweentheaveragedatafromtheexperimentandthedataacquiredincommonmethod(theaccuraciesofaveragerespirationrateandheartbeatrateare93.75%and97.33%,respectively).Theexperimentshowsthatthesystemcanacquiretheinformationofheartbeatandrespiration,andprocessthesignalsaccurately.ConclusionsThesystemcanmonitorvitalsignsofasingletargetnon-contactly,whichprovidesminiaturizedandportablesolutionforcardiopulmonarymonitoringinfamilycare.【期刊名称】《北京生物医学工程》【年(卷)，期】2014(000)003【总页数】6页(P258-263)【关键词】生命体征;非接触式;生物雷达;智能移动终端【作者】王曦泽湖巍;王云峰涨海英【作者单位】中国科学院微电子研究所北京100029;中国科学院微电子研究所北京100029;中国科学技术大学合肥230027;中国科学院微电子研究所北京100029;中国科学院微电子研究所北京100029【正文语种】中文【中图分类】R318.6在生命体征监测领域中，传统的常规监测方法大多需要传感器接触人体，如心电图(electrocardiograph，ECG)、光电容积图血氧传感器(photoplethysmography，PPG)和压敏脉搏传感器等。然而很多特殊应用场合需要非接触式探测人体生命体征，并且生命体征数据的测量需要脱离医院和其他固定场所的限制，使得便携式医疗、家庭与户夕卜场合的实时健康监测成为可能。出于这样的目的，非接触式的探测技术在近年来得到了广泛的关注，其中基于微波多普勒雷达［1］的人体微动探测方法具有穿透性好、抗干扰能力强等优势，为健康监护等领域的心肺活动监测提供非接触式、小型化、便携式的解决方案，尤其在对传染患者、烧伤患者的临床监护［2］,睡眠呼吸障碍人群的睡眠监测，以及对婴幼儿的看护等方面有广泛的应用前景。目前，微波生物雷达领域的相关研究局限在单个静止人体的检测，并且限制受试者的活动范围。为实现自由活动人体的监测，需要雷达传感器系统能够弥补人体运动带来的干扰，且具有体积小、便携性好的特点。随着智能终端的发展与普及，基于移动平台的体征信号处理和反馈开始应用于医疗信号处理领域［3］。本文拟设计并实现一套卡片式生命体征监测系统，将其中的具有生命体征信息采集功能的雷达传感器设计成卡片大小便于人体佩戴，然后通过蓝牙将雷达采集到的信息传送给智能移动终端，由移动终端取代计算机或者嵌入式系统来完成数字信号的处理，并实现心率和呼吸的实时计算、显示和存储。1.1系统工作原理卡片式体征监测系统的工作原理如图1所示。系统分为三个主要部分：雷达前端，模拟信号处理电路，以及移动终端部分。首先雷达探测系统发射一个射频连续波信号，连续波被探测目标体表反射后在雷达接收端进行解调。根据多普勒原理［4］，探测目标体表微动随时间的位置变化会对连续波信号进行调制，使得回波信号的参数（如频率、相位）发生改变,该信号经过接收机解调就可以得到与胸腔运动成比例的相位偏移。模拟信号处理电路实现对连续信号进行预处理，并通过蓝牙把模-数转换后的信号发送给移动终端处理器。智能移动终端主动接收数字信号，通过信号处理算法从中提取出相关人体的生命参数信号（如呼吸、心跳频率等）。1.2系统硬件描述雷达前端部分采用分布式结构的射频模块，主要由介质振荡器（dielectricresonatoroscillator,DRO）、混频器和一对微带贴片天线组成。介质振荡器通过高介电常数的介质谐振器与微带线耦合，与处于不稳定区的场效应管形成正反馈环路以产生稳定频率的本振信号。在接收通路，带有体征信息的回波信号经过混频器下变频至中频信号，带宽范围为直流至100Hz。模拟信号处理部分，使用二阶切比雪夫滤波放大电路实现对信号的放大及抗混叠滤波处理。其中放大的目的主要是提高信噪比，而抗混叠滤波(低通滤波)能够防止采样混叠。电平搬移同样用一个运算放大器和稳压源实现，将负电平-正电平转移成零-正电平信号，以得到适合模-数转换的数字信号。使用12位ADC进行数模转换，使用微控制器(MCU)实现数据的暂存、数据流控制与蓝牙通信控制。模拟信号处理电路还包括蓝牙模块用于移动平台通信，以及警报电路用于反馈体征信号处理结果。卡片式体征监测装置的硬件实物图如图2所示，通过小型化设计和集成，其尺寸为9cmx5.4cmxlcm。2.1智能移动终端智能移动终端实现心肺处理算法，并对处理结果进行处理和显示。选择Android系统手机(SamsungGalaxySII)作为智能移动终端，该手机内置双核处理器，主频1.2GHz，存储空间内存包括1GB的RAM和16GB的ROM，足以满足实时算法对运算能力、人机交互及数据存储的需求。另外，手机内置蓝牙模块，可以通过建立蓝牙连接进行稳定的无线数据传输。手机端软件主要完成的任务分为三个方面。主动接收雷达通过蓝牙发出的原始数据流。对数据流进行信号处理和分析。⑶将最终得到的结果绘制成实时变化的曲线并显示。编程语言为JAVA语言，开发平台为Eclipse，最终编写文件版本支持到Android4.0.3。利用Android平台提供的蓝牙API可以实现传感器蓝牙模块和手机蓝牙之间的通信。蓝牙设备之间的通信主要包括了四个步骤：设置蓝牙设备、寻找局域网内可能或者匹配的设备、连接设备和设备之间的数据传输。经过上述过程建立起蓝牙通信，手机系统开始从输入缓冲区中读取数据，并将读到的串口数据重组成12位采样数据。2.2实时心肺信息提取算法人体心跳和呼吸产生的体表振动信号是非平稳随机的，并且容易受到人体身体运动及周围环境干扰。此外，在空间上来看，心跳所带动的体表微动振幅包含在呼吸所作用的范围之中；在频域上，呼吸、心跳的频率接近直流信号并且频谱相距非常近，增大了信号分离和滤波难度。因此对雷达采集到的数据进行分析和心肺相关信号的提取是整套系统的关键。本文使用降采样滤波的方法分离呼吸和心跳信号，使用基于傅里叶变换方法得到呼吸和心跳频谱信息，使用频谱插值算法得到更高精度的频谱信息，使用寻峰算法计算呼吸和心跳频率，即信号降采样/滤波一短时傅里叶变换-频率插值一寻峰。2.2.1降采样/滤波正常人体呼吸和心跳频率分别为0.15~0.4Hz和0.83~1.5Hz（参考）。通过对原始信号进行降采样和滤波，可将心跳、呼吸所在频段初步地分离出来，并为接下来的频域变换做准备。降采样后的呼吸、心跳的采样频率分别为10/3sps和10sps。滤波器采用FIR带通滤波器，截止频率分别为0.1~0.75Hz,0.75~4Hz。在窗函数形式的选择中，由于呼吸信号和心跳信号在频域的谱峰离得非常近（小于1Hz），因此需要选取一款频率分辨率高的窗函数［5］。汉宁窗和海明窗［6］都属于升余弦窗，其特点是旁瓣泄露少。二者相比较而言，海明窗的主瓣稍窄于汉宁窗，且海明窗的第一旁瓣衰减速度快于汉宁窗，上述两点都致使海明窗的频率分辨率优于汉宁窗，因此选用海明窗作为滤波器窗函数。滤波器幅频响应如图3所示。用origin对滤波前后的数据绘图，如图4所示，三条曲线分别为原始信号波形（曲线a）,滤波后的呼吸信号波形（曲线^和心跳信号波形（曲线c）。2.2.2心肺信号频谱分析滤波初步地将呼吸信号和心跳信号进行了频段分离。为了提取出心肺信息，需要采用时域、频域或时频联合［7］的分析方法，这些方法各自有其使用场合。由于微波生物雷达探测到的体征信号为准周期的非平稳信号，因此本文选择时频联合的分析方法。短时傅里叶变换(TDFT)［8］是典型的固定窗函数的时频联合分析方法，该方法对加窗后的信号做快速傅里叶变换运算(FFT)［9］，其运算效率高，适用于实时信号处理。相比于小波变换或其他更复杂的时频联合方法，短时傅里叶变换有较小的运算量，通过选取合适的窗长度，可以减小频率分辨率与时间分辨率的矛盾，满足实时提取心率与呼吸频率的需求。在时域用窗函数g(n)去截离散信号x(n)，对截下来的局部信号作傅里叶变换，即得在该段信号的傅里叶变换。设给定的信号为x(n),n=0,1,...,L-1,有式中,N是在时间轴上窗函数移动的步长;3是圆周频率，3=QTs;Ts为由x(t)得到x(n)的抽样间隔。将频率3离散化，令上式将频域的一个周期2分成了M点，若窗函数g(n)的宽度正好也是M点，则显然，式(3)是一个标准的M点DFT。本文选取M=128点FFT，对应心跳信号的窗长度为12.8s，呼吸信号的窗长度为38.4s。经短时傅里叶变换的呼吸、心跳信号频谱图如图5所示，图中横轴对应频率，纵轴对应频谱幅值。体征信号在频谱图中的峰值可用于提取呼吸、心跳频率。呼吸频谱的两个谱峰分别对应呼吸信号的基频分量与二次谐波分量，其中基频分量所在频率即为呼吸频率(约0.3Hz);心跳频谱的谱峰对应心跳频率(约1.1Hz)。2.2.3插值与寻峰由于短时傅里叶变换得到的是离散的频谱值，其精度受频谱离散值间隔的限制，且由于在实际的信号处理中弓1进了栅栏效应，所以所得到的频谱峰值的精度会受到限制。取更长时间的数据进行FFT可以提高频率分辨率，但是会造成更长的算法处理延迟，同时增加计算量，对实时处理造成困难。因此使用短时傅里叶变换进行频率估计只能实现频率的粗测，在此之后需要采取频谱插值以提高估计精度。在本文的插值与寻峰算法中，将短时傅里叶变换得到的频谱做3点二次频谱插值，如图6所示。图中S2是未插值时频谱的峰值，其所在频率为f2。分别在高频和低频处距f2相同距离取f1,f3两点，根据公式(4)找到更高的谱峰S峰。其中寻峰找到插值后频谱图中峰值，进一步转换成bpm为单位的心跳、呼吸频率值。至此分析得出呼吸、心跳频率的实时数值。本系统在手机端的界面如图7所示。该界面包括根据算法分析得出的心跳、呼吸频率值及体征参数曲线图。图示对应的实验对象为一名25岁健康男性，监测前用常规方法估测其呼吸、心跳分别为山次/min和75次加血实验监测过程受测者静坐于卡片监测装置的前方约30cm处。算法得到的心跳、呼吸频率每秒钟刷新并记录一次。图7(a)显示的是正常平静状态下的受试者体征参数检测结果，图7(b)显示的是实验对象经过有氧运动后的监测结果。对比两图可直观地看出，平静状态下的呼吸、心跳曲线平稳，测量均值接近常规方法得到的数值；运动过后监测所得的心跳走势曲线呈现幅度波动，其均值(91次/min)大于静止状态下的均值(77次/min)，与客观情况相符。与常规方法测得的平静状态下体征参数进行比较，呼吸均值准确度为1-(17-16)/16=93.75%，心跳均值准确度可达1-(77-75)/75=97.33%。通过多人实验得出，系统探测灵敏，结果可靠、稳定。程序中同时加入存储数据功能，便于在长时间的监测之后对数据进行离线分析，本文中图5、图6曲线均是根据存储所得数据绘制而成。经测试，程序可以安装在任何有蓝牙设备的安卓移动设备并正常使用。另外，硬件电路中预置了蜂鸣器，根据设定的不同阈值，可以实现对异常检测结果的报警功能，使生命体征监测系统具有更多的应用价值。本文设计了一套卡片式体征监测系统，通过智能移动终端处理实现了对呼吸、心跳信号的连续实时监测，能够为人体体征参数的采集、家庭健康监护以及一些医疗应用提供可靠、直观的数据信息。卡片式体征监测仪便于随身佩戴，可用于独居老人的日常生理监护，通过远程终端的显示能够及时发现心肌梗死等突发病情。系统同时可以用于睡眠呼吸暂停监测，取代传统大多数基于有线传输方式的睡眠监测[11]。经过一夜的持续记录，将所存储的呼吸数据进行离线分析并采取积极治疗。由于本套检测仪的雷达部分采用单路直接下变频结构，该结构会在某些距离上出现探测〃零点”[12]影响监测效果。采用正交结构的雷达前端[13]可以消除单通路雷达的限制，当一条接收通路出现〃零点”位置时另一条通路处于最佳探测位置，即正交结构接收机可以不考虑目标位置或者移动的幅度而得到精确的相位解调结果。在本文的程序中为正交结构前端预留了I/Q双通道信号处理，通过求得两路正交信号的反正切值得到所需相位信息，从而消除探测〃零点”带来的影响。消除运动伪影[14]是目前非接触式体征监测的研究关键。生物雷达进行体征监测的限制在于受试者要与雷达处于相对静止的状态，躯体的摆动、翻转等都会影响结果精度。本文设计的卡片式监测装置可以通过置于上衣口袋降低运动带来的相对位置变化，一定程度上对运动伪影进行补偿，提高正确识别率[15]，在运动等动态应用场景有一定的发展空间。【相关文献】LiChangzhi,CummingsJulie,LamJeffrey,etal.Radarremotemonitoringofvitalsigns[J].IEEEMicrowaveMagazine,2009,10(1):47-55.杨冬.基于非接触生命参数检测系统的信号处理技术研究[D].西安：第四军医大学,2005.YangDong.Theresearchonthetechnologyofsignalprocessingbasedonthesystemofnoncontactlife-parameterdetection[D].Xi’an:FourthMilitaryMedicalUniversity,2005.高海洋，张丹，胥红来，等.基于手机平台的便携式听觉脑-机接口[J].北京生物医学工程2013,32(1):1-5.GaoHaiyang,ZhangDan,XuHonglai,etal.Auditorybrain-computerinterfacebasedonmobilephone[J].BeijingBiomedicalEngineering,2013,32(1):1-5.AmyD.Droitcour.Non-contactmeasurementofheartandrespirationrateswithasingle-chipmicrowaveDopplerradar[D].California:StanfordUniversity,2006.LohmanB,Boric-LubeckeO,LubeckeVM,etal.AdigitalsignalprocessorforDopplerradarsensingofvitalsigns[J].EngineeringinMedicineandBiologyMagazine,IEEE,2002(21):161-164.尤会恩，刘建军涨文.数字信号处理中窗函数类型及选择原则[C].西安:第九届全国敏感元件与传感器学术会议,2005:726-731.YouHuien,LiuJianjun,Zhangwen.TypeofwindowfunctioninDSPandselectionprinciple[C].Xi’an:STC,2005:726-731.路国华，杨国胜，王健琪，等.雷达式生命探测仪中人体数量识别技术的研究[J].北京生物医学工程,2005,24(1):29-32.LuGuohua,YangGuosheng,WangJianqi,etal.Studyonthetechnologytorecognizethenumberofpeoplebymeansoflife-detectorbasedonradar[J].BeijingBiomedicalEngineering,2005,24(1):29-32.HuWei,ZhaoZ,WangY,etal.Cardiopulmonarymonitoringresearchbasedonnoncontactsensorofvitalsigns[J].ECSTrans,2013,45(33):17-25.WangJianqi,ZhengChongxun,LuGuohua,etal.Anewmethodforidentifyingthelifeparametersviaradar[J].EURASIPJournalonAppliedSignalProcessing,2006,26(9):3146-3152.MorganDR,ZierdtMG.NovelsignalprocessingtechniquesforDopplerradarcardiopulmonarysensing[J].SignalProcessing,2009,(89):45-66.DaRosaAC,KempB,PaivaT.Amodel-baseddetectorofvertexwavesandKc